李艷賓 張 偉

1. 寧波市智慧城管中心，浙江寧波 315000；2. 寧波市測繪設(shè)計研究院，浙江寧波 315000

隨著城市化和遙感技術(shù)的發(fā)展，遙感技術(shù)在監(jiān)測城建變化方面得到了很大的發(fā)展。遙感對地觀測能夠快速地、廣范圍地獲取地表信息，具有很強(qiáng)的時效性。城市違法建筑情況復(fù)雜，以往多以人工判斷為主，通過比對遙感數(shù)據(jù)，利用地理信息工具進(jìn)行人工判斷，工作量非常大。因此，為改變現(xiàn)在的作業(yè)方式，提升效率，參考已有的研究成果進(jìn)行本文的研究。

面向?qū)ο蠓ň褪悄M人的大腦認(rèn)知，將圖像分割為不同均質(zhì)的對象，充分利用對象所包含的信息，將知識庫轉(zhuǎn)換為檢測的規(guī)則特征。面向?qū)ο蠓ū葌鹘y(tǒng)的像元法具有很大優(yōu)勢。能夠很好地解決高分辨率遙感影像的椒鹽效應(yīng)問題，在分割的時候就已經(jīng)將噪聲融入?yún)^(qū)塊之中。而且能利用對象的紋理特征、空間信息、光譜信息等信息提高提取的精度。

1 研究區(qū)概況

本文使用的數(shù)據(jù)源是2012年和2017年獲取的寧波地區(qū)的兩期遙感影像，包含紅、綠、藍(lán)3個波段，分辨率0.5m的遙感影像。如圖1所示，是兩幅728pixels見方的實驗區(qū)域，兩期影像的地物類型豐富，檢測區(qū)主要由水田、裸地、房屋、道路、綠地、河流等幾類地物構(gòu)成。針對地物類型主要分為道路、水系、植被、建筑和其他類五類。

圖1 研究區(qū)

2 研究方法

遙感影像變化檢測的實質(zhì)是：地表覆蓋類型會隨時間發(fā)生變化，而地表的變化會引起波譜反射特性發(fā)生改變，進(jìn)而引起不同時期遙感影像像元光譜響應(yīng)發(fā)生變化，通過分析不同時期的影像數(shù)據(jù)的變化，從而獲得土地利用的變化信息。面向?qū)ο蟮淖兓瘷z測是分別對兩期影像作面向?qū)ο蟮姆指?、分類，最后比較分類結(jié)果判斷變化和未變化信息。預(yù)處理后，對兩期影像分別進(jìn)行分割、分類，之后導(dǎo)入到同一地圖中進(jìn)行變化檢測，得到反映影像變化的檢測圖斑。

對兩時相的影像分別創(chuàng)建兩幅獨立的地圖mapT1和mapT2，利用eCognition的COPY函數(shù)將2017年實驗影像和2012年實驗影像分別復(fù)制到mapT1和mapT2中進(jìn)行試驗影像的分割是以某個像元進(jìn)行并行生長，然后以此為參照向周邊像元進(jìn)行合并同類型大的相鄰像元的過程，從而把圖像變成較多個互補疊合的區(qū)域。在相同的區(qū)域內(nèi)，圖像具有相類似的特征，這是面向?qū)π畔⑻崛〖夹g(shù)的基礎(chǔ)。分割的主要方法有：四叉樹分割法，多尺度分割法，棋盤分割法等。

多尺度分割技術(shù)可以獲取遙感數(shù)據(jù)的尺度信息，通過聚集同質(zhì)信息，區(qū)分異質(zhì)信息來達(dá)到想要的分類效果，多尺度分割方法有效地克服了遙感數(shù)據(jù)的固定尺度。分割尺度會直接決定分割影像對象的大小及信息提取的精度，根據(jù)目標(biāo)的不同進(jìn)行不同尺度的分割。

分割的尺度閾值參數(shù)主要有：尺度參數(shù) （Scale parameter） 、波段 （Image Layer weights） 、同質(zhì)性 （Composition of homogeneity criterion） 包括形狀 （Shape） 和緊致度 （Compactness） ；不同大小的分割閾值，會有不同的效果，在進(jìn)行比較后選取了合適的閾值進(jìn)行分析。分割尺度越大，生成的數(shù)量就會少，單個圖斑的面積也就會很大，分割尺度過大，有些細(xì)小面積的圖斑不能提取出來，不能做到全面分類的效果；反之，分割尺度越小，生成的數(shù)量就會很多，單個圖斑面積也就會很小，分割尺度太小，分割的比較瑣碎，之后的分類工作量比較大。本次使用的尺度參數(shù)=50，波段選擇為相應(yīng)的波段，同質(zhì)性設(shè)置：形狀=0.1，緊致度=0.5。

面向?qū)ο蠓诸惣夹g(shù)是指根據(jù)空間、紋理、光譜信息，將影像按照設(shè)置好的尺度參數(shù)分割后進(jìn)行分類，分割后的影像為一個圖斑的集合，而一個圖斑又是一個個像素的集合，每一個圖斑對象都具有屬性信息，包括紋理特征、空間信息、光譜信息。這里處理的單元就為圖斑而非傳統(tǒng)意義上的像素。根據(jù)不同地物對象的光譜、紋理、結(jié)構(gòu)信息，通過構(gòu)建好的規(guī)則集進(jìn)行分類。在影像分割后利用規(guī)則集進(jìn)行分類后進(jìn)行變化檢測。

分類規(guī)則集指的是鑒別地類的判斷規(guī)則，應(yīng)具有普遍性以及獨有性。分別對兩期影像在mapT1和mapT2中進(jìn)行分類算法。道路，實例影像的道路主要是小路，沒有明顯變化，利用已有的矢量數(shù)據(jù)，即已有的道路網(wǎng)數(shù)據(jù)進(jìn)行分類。水系，實例影像中水系主要是一條河流，其屬性DEM≤1，按照這個屬性來判斷分類，將分完道路后的其他未分類進(jìn)行水系分類。監(jiān)督分類，由于試驗區(qū)域的房屋和植被屬于群屋和農(nóng)耕植被，有些差異并不能進(jìn)行分類，選取房屋、植被和其他選取訓(xùn)練樣本進(jìn)行監(jiān)督分類。得到分類結(jié)果如圖2所示。

圖2 分類后的圖

將分別分類的兩幅地圖同步到統(tǒng)一地圖內(nèi)進(jìn)行變化檢測的準(zhǔn)備，即將mapT1中的level層和mapT2中的level層導(dǎo)入到main中的levelT1和levelT2中采用synchronize map函數(shù)。變化檢測分析的前提是對同一區(qū)位界線所確定的屬性之間類型進(jìn)行比較，須要求兩期圖像的圖斑劃分的程度基本一致。運用eCognition的 Convert to Sub—Objects函數(shù)對兩期分類影像的圖斑邊界進(jìn)行統(tǒng)一。

3 實驗結(jié)果與分析

根據(jù)上述研究方法，最終獲得了研究區(qū)的變化圖斑如圖3所示。

圖3 變化圖

房屋變化，大面積的變化是房屋新建和拆除，房屋周邊的變化主要是由于影像陰暗面、搭建棚房、影像拍攝角度造成。植物變化，大面積變化主要是因為其他類用地和房屋變更為植被，小面積變化為植被增加和減少。其他類變化主要是色彩不一致或者顏色陰暗面造成的。

其中，總的變化圖斑為528個，建筑變化圖斑為98個，植被變化圖斑為146個，其他類變化為51個。由于水系和道路按規(guī)則分后eCognition的merge region函數(shù)分別進(jìn)行了合并，不做樣本提取分析。按照提取樣本進(jìn)行，樣本正確率分析如表1所示，總樣本為94個，建筑樣本32個，植被樣本53個，其他類樣本9個。

表1 樣本分析表

總樣本的正確率為71%，其中建筑樣本的正確率為78%，植被樣本的正確率為64%，其他類樣本為89%。整體變化檢測的結(jié)果經(jīng)目視判讀，符合實際的變化情況，正確率優(yōu)于傳統(tǒng)基于像元級分類。與單像素的變化檢測算法來比較，面向?qū)ο蟮淖兓瘷z測算法，其監(jiān)測的變化區(qū)域呈塊狀分布，沒有孤立的點、離散的單個像素以及離散不連通的區(qū)域。分割后的影像成圖斑狀，以圖斑特征相較于單個像素級的灰度特征，能更好地將變化情況呈現(xiàn)出來。

4 結(jié)語

通過對兩期影像的變化檢測數(shù)據(jù)分析，得到了數(shù)據(jù)結(jié)果可靠，對今后的城市建設(shè)的變化、監(jiān)測等方面具有重要作用。利用高分辨率遙感影像來進(jìn)行高分辨率遙感監(jiān)測的方法更直觀、更高效、更快速。